Metodologia badawcza i bazy danych

Aby zweryfikować te hipotezy dotyczące czynników determinujących decyzje pracowników odnośnie szkoleń, do kwestionariusza Sondażu Środkowoeuropejskiego (realizowanego przez Uniwersytet Warszawski w latach 2021 i 2022) dodano specjalnie zaprojektowany moduł dotyczący wpływu technologii na rynek pracy (szczegóły w Aneksie). Celem badania było dokładne odzwierciedlenie dorosłej populacji (18+ lat) każdego kraju z uwzględnieniem płci, wieku i wielkości miejsca zamieszkania, wykorzystując losowy dobór próby kwotowej. Ograniczeniem badania była konieczność dostosowania liczby i formy pytań do innych modułów ankiety, co mogło wpłynąć na ich długość i treść. Dodatkowo, znane ograniczenia metody CAWI (Computer-Assisted Web Interviewing) są uznane w literaturze naukowej.

W badaniu skupiono się na osobach aktywnych zawodowo, w tym pracownikach pełnoetatowych, niepełnoetatowych, stażystach, rodzicach przebywających na urlopach macierzyńskich/tacierzyńskich oraz osobach samozatrudnionych. Zbiór danych objął 6634 pracowników z sześciu krajów, z największą reprezentacją Austrii i Niemiec, a najmniejszą ze Słowacji. Spośród respondentów 61% pochodziło z krajów Europy Środkowo-Wschodniej (Polska, Węgry, Czechy, Słowacja). Próba była dość równomiernie rozłożona pod względem płci – 53% stanowili mężczyźni, a 80% uczestników miało od 18 do 54 lat, ze średnim wiekiem wynoszącym 43 lata.

Pod względem wykształcenia, 40% uczestników miało wykształcenie średnie, a pozostała grupa była równomiernie podzielona między osoby z wykształceniem podstawowym i wyższym. Największą grupę zawodową stanowili urzędnicy (24%), pracownicy usług oraz sprzedawcy (19%), specjaliści (16%) i technicy (11%). Sektorowo największa grupa respondentów pracowała w „Innej działalności usługowej” (14%), a kolejne miejsca zajmowały produkcja (13%), służba zdrowia i praca socjalna (9%) oraz edukacja (7%).

Należy zauważyć, że na podejście jednostki do szkolenia zawodowego mogą wpływać różne czynniki. Chociaż w tym badaniu mierzy się pewne obserwowalne czynniki, takie jak poglądy na temat wdrażania nowych technologii i zmienne społeczno-demograficzne, takie jak wiek, wykształcenie i kraj, nie uwzględnia ono takich elementów, jak historia zatrudnienia czy weryfikowalne umiejętności ze względu na ograniczenia skali. Moduł ankiety dotyczył postrzegania przez uczestników nowych technologii w miejscu pracy – definiowanych jako systemy informacyjne, specjalistyczne oprogramowanie, algorytmy i roboty – oraz ich zamiarów szkoleniowych. Zapytaliśmy, czy pracownicy odbyli w ciągu ostatniego roku specjalistyczne szkolenia i czy dostrzegają potrzebę szkoleń, aby utrzymać swoją pozycję na rynku pracy. Zbadano niedawne interakcje respondentów z nowymi technologiami w pracy, aby określić, czy mają one charakter komplementarny (wsparcie w wykonywaniu zadań zawodowych), substytucyjny (zastępuje w rosnącej liczbie zadań zawodowych), silnie substytucyjny (zastępuje w tak wielu zadaniach zawodowych, że muszę się przekwalifikować) ) lub neutralny w stosunku do swoich zadań zawodowych.

Zbadaliśmy także oczekiwania dotyczące potencjalnej automatyzacji ich zadań zawodowych w ciągu następnej dekady, aby ocenić strach przed masowym bezrobociem spowodowanym technologią w ciągu najbliższych 10 lat (strach przed automatyzacją) oraz osobiste obawy związane z utratą pracy w następnej dekadzie ( obawa przed utratą pracy).

Aby zbudować model, stworzyliśmy zmienną pochodną z serii pytań dotyczących szkoleń odbytych w ostatnim czasie (Pytanie 1). Nasza nowa zmienna „poprzednie szkolenie” to średnia wartości binarnych dla wszystkich dziewięciu pytań (przyjmuje wartość 1, jeśli ktoś odpowiedział na wszystkie tak, i 0, jeśli ktoś odpowiedział nie na wszystkie). Aby uprościć prezentację danych, utworzyliśmy zmienną kategoryczną, której poziomy reprezentują pokolenia na podstawie roku urodzenia podanego przez respondentów, stosując podział zaproponowany przez Pew Research (2019); z tego samego powodu zakodowaliśmy także 12 różnych poziomów wykształcenia zgłaszanych przez uczestników w 5 grup na podobnych poziomach. Na koniec zmapowaliśmy odpowiedzi na pytanie dotyczące zawodu respondenta do wartości podanych przez Osbourne’a i Freya (2017), aby stworzyć zmienną mierzącą ryzyko automatyzacji. Wykorzystano nowatorską metodę klasyfikacji probabilistycznej opartą na danych z usługi O*NET (opracowanej dla Departamentu Pracy USA) do oceny prawdopodobieństwa automatyzacji dla 702 zawodów, a następnie zastosowali modele oparte na regresji logistycznej i procesach Gaussa do przypisania prawdopodobieństwa automatyzacji dla każdego zawodu. W modelu główna zmienna zależna miała charakter binarny i uczestnicy badania odpowiadają (Tak =1 / Nie = 0) na pytania dotyczące szkoleń. Na główne zmienne objaśniające składają się zmienne takie jak doświadczenie technologii w pracy, obawa przed automatyzacją, obawa przed utratą pracy oraz zmienne opisujące kraj, wiek (generacja), poziom wykształcenia, poprzednie szkolenie I ryzyko automatyzacja. Zmienne strach przed utratą pracy i strach przed automatyzacją zostały przekodowane w taki sposób, że poziomy „zdecydowanie się nie zgadzam” i „raczej się nie zgadzam” zostały zgrupowane razem i analogicznie dla stwierdzeń przeciwstawnych. Specyfikacja ta została wyprowadzona w oparciu o hipotezę sformułowaną po przeglądzie literatury i poprzez specyficzną dla ogólnej procedury modelowania ekonometrycznego. Współczynniki obok naszych zmiennych objaśniających są bardzo stabilne wraz z ich istotnością statystyczną we wszystkich zestawieniach. Wszystkie regresje logistyczne przeprowadzono w języku Python z pakietem Statsmodels (wersja 0.14) z funkcją statsmodels.discrete.discrete_model.Logit.